
CVE-2026-91940: crawl4ai <=0.9.2 における信頼できない設定ゲート(PDFContentScrapingStrategy の image_save_dir)を経由した任意ファイル書き込み。分析、再現ハーネス、および検証済みの 0.9.2 と 0.9.3 の境界。
| CVE | CVE-2026-91940 |
| 製品 | crawl4ai、約84kスター |
| 影響範囲 | >= 0.9.0, <= 0.9.2 |
| 修正済み | 0.9.3 |
| 分類 | CWE-22、任意ファイル書き込み(攻撃者が選択したディレクトリ、バイト単位で正確な内容) |
| 権限 | POST /crawl に到達できる呼び出し元。権限を参照 |
| 判定 | 0.9.2 で脆弱性を確認、0.9.3 で修正済み、いずれもエンドツーエンドで再現済み |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N(NVD は PR:N で 7.5 を公開しているが、これは 0.9.2 には当てはまらない) |
| アドバイザリ | GHSA-xpp7-j28w-2gvx |
crawl4ai の HTTP API は、リクエストボディ内の設定オブジェクトを受け付けます。ボディは
攻撃者が制御できるため、プロジェクトはそれに対する信頼境界を構築しました。
Provenance.UNTRUSTED で読み込まれた設定は、信頼できない呼び出し元が設定してはならない
フィールドを削除または拒否するはずのゲートを通過します。
そのゲートは、到達可能なあるクラスに対してフェイルオープンします。PDFContentScrapingStrategy
は信頼できないボディから明示的に構築可能ですが、フィールドの許可リストがなく、ゲートの
「許可リストなし」に対するルールは「すべて保持する」です。そのため、その image_save_dir は
PDF プロセッサにそのまま到達し、プロセッサはそのディレクトリを作成して、取得した PDF の
画像を封じ込めチェックなしでそこに書き込みます。結果として、サービスアカウントが到達できる
任意のディレクトリへの、呼び出し元が提供する内容での書き込みが発生します。
1. エンドポイントがボディを信頼できないものとしてマークする (deploy/docker/server.py):
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. ゲートは、許可リストを持たない型のすべてのフィールドを保持します (crawl4ai/async_configs.py):
def _filter_untrusted_fields(type_name: str, params: dict) -> dict:
"""Drop non-allowlisted fields and raise on forbidden (power) fields."""
forbidden = UNTRUSTED_FORBIDDEN_FIELDS.get(type_name, set())
allowlist = UNTRUSTED_FIELD_ALLOWLIST.get(type_name) # None => keep all non-forbidden
out = {}
for key, value in params.items():
if key in forbidden:
raise UntrustedConfigError(...)
if allowlist is not None and key not in allowlist:
continue # silently drop unknown/unsafe fields (forward-compatible)
out[key] = value
return out
3. PDF 戦略には到達可能だが、許可リストも禁止リストも存在しない。
UNTRUSTED_ALLOWED_TYPES には PDFContentScrapingStrategy が含まれているため、ボディは CrawlerRunConfig.scraping_strategy を通じてそれを作成できる。しかし UNTRUSTED_FIELD_ALLOWLIST には BrowserConfig と CrawlerRunConfig のキーしかなく、UNTRUSTED_FORBIDDEN_FIELDS も同様である。したがって allowlist は None、forbidden は空であり、extract_images、save_images_locally、image_save_dir はすべて生き残る。
4. シンクはそのパスを信頼する (crawl4ai/processors/pdf/processor.py):
if self.extract_images and self.save_images_locally:
if self.image_save_dir:
image_dir = Path(self.image_save_dir)
image_dir.mkdir(exist_ok=True, parents=True)
絶対パスが受け入れられ、ディレクトリは再帰的に作成され、ストレージルートに対する realpath の包含チェックは行われない。その後 _extract_images() が PDF の各画像をそこに書き込む。
5. PDF は戦略自身によって取得される。 PDFContentScrapingStrategy.scrap() は self._get_pdf_path(url) を呼び出し、これはクローラーのブラウザステージとは独立して URL をダウンロードする。したがって、書き込まれるバイト列は攻撃者がホストするファイルに由来する。
この部分はアドバイザリには記載されておらず、「攻撃者が制御するバイト列」とだけ述べられていて、その仕組みには触れていない。_extract_images() のうち /FlateDecode ブランチのみが PIL を経由し(img.save(final_path))、そのため PNG に再エンコードされる。他の 3 つのブランチは生の PDF ストリームを書き込む:
PDF /Filter | 書き込まれる拡張子 | 書き込み方法 |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | 同上。ただし TIFF ヘッダーは data[:4] != b'II*\x00' の場合にのみ先頭に付加される |
/JPXDecode | .jp2 | 同上 |
/FlateDecode | .png | PIL によって再エンコードされるため、バイト単位では正確ではない |
したがって、ペイロードを /DCTDecode 画像 XObject として埋め込むことで、それらの正確なバイト列がディスク上に置かれる。これはチェックサムの比較によって確認された: サーバー上で書き込まれたファイルの md5 は、exploit.py に渡されたペイロードの md5 と等しい。
NVD はこれを PR:N と評価している。0.9.2 ビルドではこれは当てはまらず、その差異は仮定ではなく実測された。
イメージには auth_gate.py が同梱されており、これは最も外側の ASGI レイヤーにマウントされたフェイルクローズドな AuthGateMiddleware である。その存在理由は自身の docstring に説明されている:
以前の設計では、認証はルートごとの FastAPI 依存関係で決定されており、
jwt_enabledが false(デフォルト)の場合、lambda: Noneを返していたため、すべてのDepends(token_dep)は飾りにすぎず、API 全体がオープンであった。
現在では、すべてのルート、マウント、サブアプリ、HTTP および WebSocket をカバーし、ハンドラーが実行される前に有効な資格情報を持たないリクエストを拒否する。さらに、CRAWL4AI_API_TOKEN が設定されていない場合、エントリポイントはループバックのみにバインドし、そのセッション用の一時トークンをログに記録する。資格情報を持たないリクエストは次を受け取る:
HTTP/1.1 401
{"detail": "Authentication required"}
この脆弱性は依然として現実のものであり、その理由が重要です。crawl4ai は、たとえ正規の API 呼び出し元からのものであっても、リクエストボディを信頼できないものとして扱います。これこそが Provenance.UNTRUSTED の目的そのものです。つまり、API の使用を許可された呼び出し元、テナント、ダウンストリームサービス、共有デプロイメントの低権限ユーザーが、ホスト上での任意のファイル書き込みへと権限を昇格させることができます。これが PR:L であり、7.5 ではなく 6.5 となる理由です。
pypdf は公式イメージに含まれていません。 アドバイザリには含まれていると記載されており、したがって追加インストールは不要とされています。unclecode/crawl4ai:0.9.2 では、pip list は Crawl4AI 0.9.2 と pillow 12.3.0 のみを報告し、find / -iname 'pypdf*' は何も返しません。これがない場合、NaivePDFProcessorStrategy.__init__ は ImportError を発生させるため、この書き込みには crawl4ai[pdf] エクストラをインストールしたデプロイメント、またはカスタムイメージをビルドしたデプロイメントが必要です。
この失敗自体が有用です。なぜなら、書き込みが実際に発生しなくてもゲートのバイパスを証明できるからです。ImportError はコンストラクタ呼び出しの内部から表面化します:
async_configs.py:470 k: from_serializable_dict(v, provenance) for k, v in params.items()
async_configs.py:472 return cls(**constructor_args)
processors/pdf/__init__.py:63 self.pdf_processor = NaivePDFProcessorStrategy(
processors/pdf/processor.py:64 raise ImportError("pypdf is required for PDF processing...")
信頼されていない image_save_dir がストラテジーのコンストラクタに到達しました。それは破棄も
拒否もされませんでした。それと書き込みの間に立ちはだかっているのは、欠けているライブラリだけです。
Egress は監視されています。 0.9.2 の egress_broker.py は、古いブロックリストを単一の
ルール reject any resolved IP where not ip.is_global に置き換え、アドレスの解決と固定を
1ステップで行うことで、攻撃者が制御する2回目の名前解決を利用できないようにしています。実際の攻撃者は、
細工された PDF を公開 URL 上でホストしますが、このルールはそれを許可します。ラボはインターネットに
到達できないため、CRAWL4AI_ALLOW_INTERNAL_URLS=true を設定します。これはプロジェクト自身が
文書化しているオペレーター向けのエスケープハッチであり、もっぱらループバック HTTP サーバーをその公開
ホストの代役として立てるためだけに使われます。このフラグがアプリケーションを脆弱にしているわけでは
なく、実際のデプロイでは必要ありません。
攻撃者が選べるのは:
/DCTDecode を介してバイト単位で、です。攻撃者はファイル名を選ぶことはできません。_extract_images() はそれを
page_<page>_img_<n> として構築し、with_suffix() が拡張子を強制するため、書き込まれるのは
page_1_img_1.jpg とその仲間たちです。これにより、authorized_keys、インポートパス上の .py、
cron.d のエントリなど、特定の名前を必要とする古典的な write-to-RCE の標的は除外され、既存の
ファイルが上書きされるのは、すでにその正確な名前を持っている場合だけです。これは、コード実行が
実証されなかったというアドバイザリの記述と一致しており、ここでもコード実行は主張しません。
コンテナは root ではなく uid=999(appuser) として実行されます。
残るのは実際の完全性プリミティブです。すなわち、サービス内部の選ばれたパスに選ばれたバイト列を 植え付けることであり、これはそのディレクトリが供給するあらゆるもの(静的マウント、キャッシュ、 共有ボリューム、アーティファクトパス)を汚染するのに十分であり、ディスクを消費するのにも十分です。
ログを読む際に知っておく価値のある運用上の詳細が1つあります。0.9.2 では、ファイルがすでに ディスク上にあるにもかかわらず、API は HTTP 500 を返します。クロールパイプラインは イメージが書き込まれた後にエラーになるため、500 は試行が失敗した証拠にはなりません。
./lab/setup.sh
これにより :11235 で 0.9.2 が、:11236 で 0.9.3 が起動し、両方に pdf 拡張機能がインストールされるため、比較が誤った理由で失敗することはなく、トークンが表示されます。この環境には docker ブリッジがないため、--network host と個別の API ポートを使用しています。
脆弱なビルドに対して:
python3 exploit.py --target http://127.0.0.1:11235 \
--token labtoken-cve91940 \
--write-dir /tmp/write-proof \
--payload "proof-$(date +%s)"
docker exec c4ai-vuln sh -c 'ls -l /tmp/write-proof; cat /tmp/write-proof/page_1_img_1.jpg'
ハーネスはPDFを生成し、ホストし、リクエストを送信して判定を報告する。そのディレクトリはリクエスト前には存在せず、リクエスト後にはペイロードのバイト列が格納されている。
修正済みビルドに対して、同一のリクエストは次のようになる:
HTTP 400
{"detail":"Rejected config: field 'save_images_locally' is not permitted on
PDFContentScrapingStrategy from an untrusted request"}
何も書き込まれません。./lab/teardown.sh は両方のコンテナと両方のイメージを削除します。